Het Franse AI-bedrijf Mistral AI heeft de robotica-ruimte betreden met Robostral Navigate, een model met 8 miljard parameters waarmee robots autonoom door complexe omgevingen kunnen navigeren met behulp van niets meer dan een enkele gewone RGB-camera. Het model, aangekondigd op 8 juli 2026, vertegenwoordigt de eerste stap van Mistral op het gebied van belichaamde AI en fysieke robotica.
Robostral Navigate neemt RGB-beelden en een instructie in duidelijke taal en beweegt een robot door een omgeving zoals een kantoor, woongebouw of buitenruimte. Wat het onderscheidt is het hardware-minimalisme: terwijl concurrerende modellen doorgaans afhankelijk zijn van dieptesensoren, LiDAR of meerdere camera's die samenwerken, gebruikt Robostral Navigate slechts één standaard RGB-camera en helemaal geen dieptesensoren. Voor uitgebreide berichtgeving over de lancering van opkomende AI-modellen kunnen lezers de nieuwste AI-ontwikkelingen volgen op onze homepage.
State-of-the-art prestaties op R2R-CE
Ondanks de aanpak met één camera behaalt Robostral Navigate een succespercentage van 76,6% op de R2R-CE (Room-to-Room in Continuous Environments) validatie-ongeziene benchmark, de standaardtest voor het volgen van navigatie-instructies in omgevingen die tijdens de training wordt uitgevoerd. Dit resultaat verslaat de beste eerdere aanpak met één camera met 9,7 procentpunten en overtreft het beste systeem met dieptesensoren of meerdere camera's met 4,5 punten, ondanks het gebruik van geen van beide.
Na validatie bereikt het model een succespercentage van 79,4%. Volgens Mistral generaliseert het model over verschillende robottypen, draait het op robots op wielen, op poten en zelfs op vliegende robots, en past het zich aan de robotgroottes aan zonder omscholing.
Volledig gebouwd in simulatie
Een van de meest opvallende aspecten van Robostral Navigate is dat het volledig in eigen huis is gebouwd en uitsluitend in simulatie is getraind. Mistral bouwde een efficiënte pijplijn voor het genereren van gegevens die een dataset produceerde van ongeveer 400.000 trajecten, verzameld over 6.000 gesimuleerde scènes. Deze op simulatie gebaseerde aanpak maakte snelle iteratie mogelijk zonder de kosten en logistieke uitdagingen van gegevensverzameling in de echte wereld.
Het model is geïnitialiseerd vanuit Mistral's eigen visie-taalmodel, dat gespecialiseerd was in grondtaken zoals aanwijzen, tellen en objectlokalisatie. Navigatie komt naar voren als een natuurlijke uitbreiding van deze mogelijkheden: zodra het model begrijpt waar de dingen zich in een afbeelding bevinden, leert het hoe het daar naartoe kan bewegen. Met name is Robostral Navigate niet afhankelijk van bestaande open-source vision-taalmodellen.
Aanwijsgebaseerde navigatie en versterkingsleren
Robostral Navigate maakt gebruik van een op aanwijzen gebaseerd navigatiemechanisme. Gegeven een taak en een geschiedenis van observaties, voorspelt het model waar de robot vervolgens moet bewegen door de beeldcoördinaten van de doellocatie in het huidige camerabeeld van de robot af te leiden, samen met de gewenste oriëntatie bij aankomst. Deze wijzende benadering maakt het beleid van nature robuust tegen veranderingen in de intrinsieke camera-eigenschappen en de wereldschaal, in tegenstelling tot commando's die afhankelijk zijn van metrische verplaatsingen.
Wanneer de doellocatie buiten het huidige gezichtsveld ligt en richten niet van toepassing is, valt het model terug op verplaatsingen in het lokale coördinatenframe van de robot. Na een begeleide training paste Mistral online versterkend leren toe met behulp van het CISPO-algoritme, waardoor het model kon leren van vallen en opstaan, herstellen van mislukkingen en verkennend gedrag kon verwerven. Alleen al deze leerfase voor versterking verbeterde het succespercentage met 3,2 procentpunten, en Mistral meldt dat de prestaties nog steeds stijgen zonder tekenen van een plateau.
Efficiënte training via prefix-caching
Een belangrijke technische innovatie is een efficiënt trainingsalgoritme op basis van prefix-caching. Met behulp van een op bomen gebaseerde strategie voor het maskeren van aandacht comprimeert de methode van Mistral een hele episode in één enkele reeks, waardoor training in alle tijdstappen in één enkele voorwaartse doorgang mogelijk wordt en tegelijkertijd het lekken van informatie tussen tijdstappen wordt voorkomen. Vergeleken met trainen met één monster per tijdstap vermindert deze aanpak het aantal trainingstokens met een factor 22, terwijl alle leersignalen behouden blijven. In de praktijk zegt het bedrijf dat trainingsruns die maanden duren, worden omgezet in runs die in dagen worden voltooid.
Toepassingen en wat daarna komt
Mistral positioneert Robostral Navigate als een van de meest gevraagde mogelijkheden voor zijn klanten van vandaag. De technologie ontgrendelt toepassingen in de productie, levering, logistiek en horeca. Geef het model één instructie en het voltooit de hele taak autonoom, terwijl het zich door ruimtes vol mensen en obstakels beweegt, wat tijdens de training nooit werd getoond.
Het bedrijf beschrijft deze release als slechts de eerste stap op weg naar een verenigde belichaamde agent. Mistral breidt zijn roboticateam actief uit en is op zoek naar onderzoekswetenschappers en ingenieurs. De lancering markeert een aanzienlijke strategische expansie voor de in Parijs gevestigde startup, die vooral bekend stond om zijn grote taalmodellen en nu een serieuze toewijding aan fysieke AI en robotica heeft gesignaleerd.
De overstap naar robotica komt omdat de bredere AI-industrie steeds meer investeert in belichaamde AI, waarbij bedrijven onderzoeken hoe de mogelijkheden van taalmodellen kunnen worden uitgebreid naar interactie in de fysieke wereld. De simulatie-eerste benadering van Mistral met één camera zou de drempel voor de inzet van autonome navigatiesystemen kunnen verlagen, vooral in kostengevoelige commerciële toepassingen waar opstellingen met meerdere sensoren onpraktisch zijn.
Blijf AI een stap voor
Robostral Navigate is nu beschikbaar voor klanten van Mistral. Bezoek AI Buzz Wire voor meer actueel AI-nieuws en analyses.
Lees meer AI-nieuws →
